基于多任务特征选择的异常检测
机器学习
2014-03-18 v1 机器学习
摘要
网络异常检测仍然是一个活跃的研究领域。随着网络带宽的快速增长和网络流量的巨大增加，出现了一个极具挑战性的问题：如何高效且准确地检测多重流量中的异常？在多任务学习中，不同时间段的流量被视为一个任务。不同时间段的多个任务同时执行以检测异常。本文将多任务特征选择应用于网络异常检测领域，该方法提供了一种强大的手段，能够从多重流量中收集信息并同时检测其中的异常。特别地，多任务特征选择包含了著名的基于-范数的特征选择作为仅有一个任务时的特例。此外，我们表明，通过同时利用更多信息，多任务特征选择比基于-范数的方法更为准确。在评估阶段，我们预处理了来自日本与美国之间跨太平洋骨干链路的原始数据轨迹，标记了异常社区，并生成了一个包含 248 个特征的数据集。实证结果表明，在真实流量数据集上，多任务特征选择优于独立的基于-范数的特征选择。
引用
@article{arxiv.1403.4017,
title = {Multi-task Feature Selection based Anomaly Detection},
author = {Longqi Yang and Yibing Wang and Zhisong Pan and Guyu Hu},
journal= {arXiv preprint arXiv:1403.4017},
year = {2014}
}
备注
6 pages, 5 figures